图像特征与理解
图像特征提取方法详解(Ⅲ)
图像特征提取方法详解图像特征提取是计算机视觉和图像处理领域中的一个重要任务，它是对图像中的信息进行分析和提取，以便进行后续的图像识别、分类和分析。
在图像处理和计算机视觉应用中，图像特征提取是至关重要的一步，因为它直接影响了后续处理的结果。
一、图像特征的概念图像特征是指图像中能够表征其内容和结构的可测量属性。
常见的图像特征包括颜色、纹理、形状、边缘等。
这些特征可以帮助我们理解图像的含义，区分不同的物体、场景和结构。
二、图像特征提取的方法1. 颜色特征提取颜色是图像中最直观和重要的特征之一。
常用的颜色特征提取方法包括直方图统计、颜色矩和颜色空间转换。
直方图统计是通过统计图像中每种颜色出现的频率来提取颜色特征，它可以帮助我们了解图像中的主要颜色分布。
颜色矩是一种用于描述颜色分布和颜色相关性的方法，它可以帮助我们定量地比较不同图像之间的颜色特征。
颜色空间转换则是将图像的RGB颜色空间转换为其他颜色空间（如HSV、Lab等），以便更好地提取颜色特征。
2. 纹理特征提取纹理是图像中的重要特征之一，它可以帮助我们理解图像中的细节和结构。
常见的纹理特征提取方法包括灰度共生矩阵、小波变换和局部二值模式。
灰度共生矩阵是一种用于描述图像纹理结构的统计方法，它可以帮助我们了解图像中不同区域的纹理分布。
小波变换是一种多尺度分析方法，它可以帮助我们提取图像中不同尺度和方向的纹理特征。
局部二值模式是一种用于描述图像局部纹理特征的方法，它可以帮助我们快速提取图像中的纹理信息。
3. 形状特征提取形状是图像中的重要特征之一，它可以帮助我们理解图像中的对象和结构。
常见的形状特征提取方法包括边缘检测、轮廓提取和形状描述子。
边缘检测是一种用于提取图像中边缘信息的方法，它可以帮助我们理解图像中的对象轮廓和结构。
轮廓提取是一种用于提取图像中对象轮廓信息的方法，它可以帮助我们理解图像中的对象形状和结构。
形状描述子是一种用于描述图像对象形状特征的方法，它可以帮助我们快速提取图像中的形状信息。
第5章-图像特征提取与分析幻灯片课件
像 特
矩来描述颜色的分布。
征 颜色矩通常直接在RGB空间计算。
提 取
颜色分布的前三阶矩表示为：
与 分 析
i
1 N
N
Pij
j 1
i
(1 N
N
(Pij i)2)12
j1
si
( 1 N
N
(Pij
j1
i)3)13
第
4 章
4.2.3
颜色矩
图 特点
像
特 图像的颜色矩有九个分量（3个颜色分量，每个分
征 提
V
H
析 其中两个delta值分别是通过图像卷积下列两个操作
符所得到的水平和垂直方向上的变化量定义的：
1 0 1
111
1 0 1
000
1 0 1
1 1 1
第
4 4.3.2 Tamura 纹理特征
提 取
选取的特征应具有如下特点：
与
可区别性
分 析
可靠性
独立性好
数量少
第
4 章
4.1.1
基本概念
图 特征选择和提取的基本任务
像 特 如何从众多特征中找出最有效的特征。
征 提
图像特征提取的方法
取 与
低层次：形状、纹理、颜色、轮廓等图像某一方面
分 的特征。
析 中层次：
高层次：在图像中层次特征基础上的再一次抽象，
征 提
从广义上讲，图像的特征包括基于文本的特征
取 （如关键字、注释等）和视觉特征（如色彩、纹理、
与 分
形状、对象表面等）两类。
析
视觉特征分类：颜色(color)、形状(shape)、
纹理(texture)等
理解一次函数的图像特征
理解一次函数的图像特征一次函数是数学中常见的一种函数类型，其图像特征具有一定的规律性和可观察性。
通过深入理解一次函数的图像特征，我们可以更好地解读和分析函数在数轴上的变化规律，进而应用于实际问题中。
本文将从斜率、截距和变化趋势等方面，探讨一次函数的图像特征。
一、斜率的意义与影响一次函数的图像特征中，斜率起着重要的作用。
斜率代表了函数图像在数轴上的倾斜程度，表征了函数值随自变量增大而变化的速率。
一次函数的斜率常用符号k表示。
斜率为正数时，函数图像呈现上升趋势，说明随着自变量的增大，函数值也随之增大。
斜率的绝对值越大，函数上升或下降的速度越快。
斜率为负数时，函数图像呈现下降趋势，说明随着自变量的增大，函数值反而减小。
同样，斜率的绝对值越大，函数下降速度越快。
当斜率为0时，函数图像是平行于自变量轴（x轴）的水平线，表示函数值保持不变。
斜率为正无穷大或负无穷大时，函数图像是垂直于自变量轴（x轴）的直线，表示函数值无穷增长或无穷减小。
二、截距的含义与分析截距是描述一次函数图像特征的另一个重要参数。
截距代表了函数图像与数轴的交点，即函数在自变量为0时的函数值，常用符号b表示。
截距为正数时，函数图像与y轴有一个正的交点，说明当自变量为0时，函数的值为正。
截距为负数时，函数图像与y轴有一个负的交点，说明当自变量为0时，函数的值为负。
截距为0时，函数图像与y轴交于原点，说明当自变量为0时，函数的值也为0。
三、变化趋势的分析与应用通过斜率和截距，我们可以更加具体地分析一次函数的变化趋势。
当斜率为正数且截距为正数时，函数图像从左下方逐渐上升，在数轴上右侧的函数值逐渐增大。
当斜率为正数且截距为负数时，函数图像从左上方逐渐下降，在数轴上右侧的函数值逐渐减小。
当斜率为负数且截距为正数时，函数图像从左下方逐渐上升，在数轴上右侧的函数值逐渐减小。
当斜率为负数且截距为负数时，函数图像从左上方逐渐下降，在数轴上右侧的函数值逐渐增大。
理解指数函数的图像与变化规律
理解指数函数的图像与变化规律指数函数是数学中一种重要的函数形式，具有独特的图像与变化规律。
通过对指数函数的理解，我们可以更好地解释和分析许多实际问题，如人口增长、物质衰变、财富增长等。
本文将详细介绍指数函数的图像特征和变化规律，帮助读者深入理解和应用指数函数。
一、指数函数的基本定义指数函数的数学表达形式为：f(x) = a^x，其中a为常数，且a大于0且不等于1。
指数函数中的x为自变量，f(x)为因变量。
指数函数的图像通常表现为一条不断上升（a>1）或下降（0<a<1）的曲线，具有特定的模式和趋势。
二、指数函数的图像特征1. 当a>1时，指数函数的图像从左下方无限趋近于x轴正半轴。
例如，当a=2时，f(x) = 2^x的图像在x轴上逐渐向右上方逼近，但永远不会触及x轴。
2. 当0<a<1时，指数函数的图像从左上方无限趋近于x轴正半轴。
例如，当a=0.5时，f(x) = 0.5^x的图像在x轴上逐渐向右下方逼近，但永远不会触及x轴。
3. 当x为负数时，指数函数的值存在，但图像并不显示在常见的坐标系中。
这是因为指数函数的定义范围为实数集，而常规坐标系中只包括正数。
4. 当x为0时，指数函数的值始终为1，无论a的值为何。
这是指数函数独特的性质之一。
5. 指数函数是增长速度最快的函数形式之一，特别是当a大于1时。
当x逐渐变大时，指数函数的值也随之指数级增加。
三、指数函数的变化规律指数函数具有多种变化规律，这些规律可以帮助我们理解和分析实际问题的发展趋势。
1. 倍增规律当a>1时，指数函数的值以指数级增加。
例如，当a=2时，f(x) =2^x的值随着x的增加而不断翻倍。
这种倍增规律在人口增长、金融投资收益等领域中有重要的应用。
2. 衰减规律当0<a<1时，指数函数的值以指数级衰减。
例如，当a=0.5时，f(x) = 0.5^x的值随着x的增加而逐渐接近于0。
什么是图像特征？如何让计算机理解图像特征？
图像的特征多数人都玩过拼图游戏。
首先拿到完整图像的碎片，然后把这些碎片以正确的排列起来从而重建这幅图像。
如果把拼图游戏的原理写成计算机程序，那计算机就也会玩拼图游戏了。
在拼图时，们要寻找一些的特征，这些特征要适于被跟踪，容易被比较。
们在一副图像中搜索这样的特征，找到它们，而且也能在其他图像中找到这些特征，然后再把它们拼接到。
们的这些能力都天生的。
那这些特征什么呢?们希望这些特征也能被计算机理解。
如果们深入的观察一些图像并搜索不同的区域，以下图为例：在图像的上方给出了六个小图。
找到这些小图在原始图像中的位置。
你能找到多少正确结果呢?A和B平面，而且它们的图像中很多地方都存在。
很难找到这些小图的准确位置。
C和D也很简单。
它们建筑的边缘。
可以找到它们的近似位置，但准确位置还很难找到。
这因为：沿着边缘，所有的地方都一样。
所以边缘比平面更好的特征，但还不够好。
最后E和F建筑的一些角。
它们能很容易的被找到。
因为在角的地方，无论你向哪个方向小图，结果都会有很的不同。
所以可以把它们当成一个好的特征。
为了更好的理解这个概念们再举个更简单的例子。
如上图所示，蓝色框中的区域一个平面很难被找到和跟踪。
无论向哪个方向蓝色框，都一样的。
对于黑色框中的区域，它一个边缘。
如果沿垂直方向，它会改变。
但如果沿水平方向就不会改变。
而红色框中的角，无论你向那个方向，得到的结果都不同，这说明它的。
所以，们说角一个好的图像特征，也就回答了前面的问题。
角图像很重要的特征,对图像图形的理解和分析有很重要的作用。
角在三维场景重建运动估计，目标跟踪、目标识别、图像配准与匹配等计算机视觉领域起着非常重要的作用。
在现实世界中，角对应于物体的拐角，道路的十字路口、丁字路口等，那们怎样找到这些角呢?接下来们使用OpenCV中的各种算法来查找图像的特征，并对它们进行描述。
航空摄影测绘图像的特征解读与应用技巧
航空摄影测绘图像的特征解读与应用技巧航空摄影测绘是一种将摄影测量技术与航空技术相结合的综合性测绘方法。
通过航空摄影测绘，可以获取大范围、高分辨率的地理信息图像，为城市规划、资源调查、环境监测等领域提供了重要的数据支撑。
本文将探讨航空摄影测绘图像的特征解读与应用技巧。
一、图像特征解读航空摄影测绘图像的特征解读是理解图片含义和有效利用数据的基础。
图像特征包括颜色、纹理、形状和空间关系等。
首先，颜色是图像特征的基础。
通过颜色可以判断图像中目标物体的类别。
例如，绿色可以表示植被，蓝色可以表示水体，灰色可以表示建筑物等。
此外，各类目标物体的颜色具有一定的区分度，可以通过颜色信息对目标进行分类和识别。
其次，纹理是图像特征的另一个重要方面。
纹理包括物体表面的细节、纹路和纹理规律等。
通过纹理特征，可以判断图像中不同材质的物体。
例如，建筑物的纹理与植被的纹理存在明显差异，可以通过纹理特征将二者区分开来。
再次，形状是图像特征的重要指标。
通过形状可以判断图像中不同物体的轮廓和结构。
例如，圆形可以表示圆形建筑物，长方形可以表示长方形的建筑物等。
形状特征在目标识别和三维建模等方面具有重要作用。
最后，空间关系是图像特征解读的关键要素。
空间关系包括物体在图像中的相对位置和相互关系。
通过空间关系可以确定不同物体之间的距离和相对方位。
例如，通过判断建筑物与道路之间的空间关系，可以推测道路的宽度和建筑物的大小。
二、应用技巧航空摄影测绘图像的应用技巧主要包括目标识别、地形分析和三维建模三个方面。
目标识别是航空摄影测绘图像中重要的应用之一。
通过图像特征解读，可以对目标物体进行分类和识别。
例如，在城市规划中，可以利用航空摄影测绘图像识别建筑物、道路、绿化等目标，为城市规划提供基础数据。
地形分析是航空摄影测绘图像的另一个重要应用。
通过解读图像特征，可以分析地形特征，包括山脉、河流、湖泊等地形要素。
地形分析在地质勘探、土地利用规划等领域具有重要作用。
函数的基本概念和图像特征
函数的基本概念和图像特征函数是数学中一个非常重要的概念，它就像是一座桥梁，连接着不同的数学领域和实际应用。
理解函数的基本概念和图像特征对于我们解决数学问题、理解自然界的规律以及进行各种科学研究都具有极其重要的意义。
让我们先来谈谈函数的基本概念。
简单来说，函数就是一种特殊的对应关系。
想象有两个集合，比如集合 A 里装着各种输入值，集合 B 里装着对应的输出值。
如果对于集合 A 中的每一个元素，按照某种特定的规则，在集合 B 中都能找到唯一确定的元素与之对应，那么我们就说这构成了一个函数。
比如说，我们有一个函数 f(x) ＝ 2x 。
这里的 x 就是输入值，当 x 取 1 时，通过“乘以2”这个规则，得到的输出值就是 2 ；当 x 取 2 时，输出值就是 4 。
每一个输入的 x ，都能通过这个规则得到唯一确定的输出值，这就是函数的本质。
函数通常用符号 f(x) 来表示，其中 x 被称为自变量，f(x) 被称为因变量。
自变量可以是任何数或者其他数学对象，而因变量则是根据自变量和函数规则计算出来的值。
函数的定义域和值域也是非常重要的概念。
定义域就是自变量可以取值的范围，比如在上面的函数 f(x) ＝ 2x 中，如果没有其他限制，定义域通常是所有实数。
值域则是因变量可能取得的值的范围。
对于这个简单的函数，因为可以取到任意实数作为自变量 x ，所以值域也是所有实数。
接下来，我们聊聊函数的图像特征。
函数的图像就像是函数的“照片”，它能够直观地展现函数的性质和特点。
以最简单的线性函数 y ＝ x 为例，它的图像是一条经过原点、斜率为 1 的直线。
这条直线一直向右上方延伸，表明随着 x 的增大，y 也随之增大，而且增大的速度是均匀的。
再看二次函数 y ＝ x²，它的图像是一条开口向上的抛物线。
当 x ＜0 时，函数值随着 x 的增大而减小；当 x ＞ 0 时，函数值随着 x 的增大而增大。
抛物线的最低点就是函数的最小值点。
图像特征表示与描述_图文_图文
• 用链码后，对象只要用1)起点坐标，2)周长（边 界点数）3)链码，4)对象编号，就可以描述。
• 链码一般用于一幅图像中有多个对象的情况，对 单个对象不适用。
3.3.2 特征表示与描述:表示法设计
• 多边形逼近
– 基本思想：用最少的多边形线段，获取边 界形状的本质。
– 寻找最小基本多边形的方法一般有两种： 1）点合成法 2）边分裂法
3.3.2 特征表示与描述:表示法设计
• 多边形逼近
– 点合成算法思想举例：
R R<T
3.3.2 特征表示与描述:表示法设计
• 多边形逼近
R
– 点合成算法：
R<T
3.3.2 特征表示与描述:表示法设计
• 链码
– 问题2： 1）由于起点的不同，造成编码的不同 2）由于角度的不同，造成编码的不同
– 改进2： 1）从固定位置作为起点(最左最上)开始编码 2）通过使用链码的首差代替码子本身的方式
3.3.2 特征表示与描述:表示法设计
• 链码
– 循环首差链码：用相邻链码的差代替链码
k2
• 简单描述子
– 边界的曲率：
a
k1
曲率被描述为斜率的变化率。近似：
用相邻边界线段（描述为直线）的斜率差 作为在边界线交点处的曲率描述子。
交点a处的曲率为 dk = k1 – k2 其中k1、k2 为相邻线段的斜率
3.3.3 特征表示与描述：边界描述子
P1
• 简单描述子
P2
– 边界的凸线段点：
(c) p2 * p4 * p6 = 0 （p2 、p4 、p6 至少有一个0） (d) p4 * p6 * p8 = 0 （p4 、p6 、p8 至少有一个0）
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
为中心的菱形。图6-4(a)为t≤2时用点的距离表示的这些点。可见，
d4(P , Q)是从P到Q最短的4路径的长度。同样，以P为起点的棋 盘距离小于等于t(t=1, 2, …)的点形成以P为中心的正方形。例如， 当t≤2，用点的距离表示这些点时，如图6-4（b）所示。同样由图 可见，d8(P, Q)是从P到Q最短的8路径的长度。
2形状特征
2.1 矩形度 矩形度反映物体对其外接矩形的充满程度，用物体的面积 与其最小外接矩形的面积之比来描述，即
AO R AMER
式中，AO是该物体的面积，而AMER是MER的面积。
(6-9)
R的值在0～1之间，当物体为矩形时，R取得最大值1.0；圆 形物体的R取值为π/4； 细长的、弯曲的物体的R的取值变小。
1 n 1 x mn i 0
1 n 1 xi , y mn j 0 i 0
m 1
y
j 0
m 1
j
(6-1)
2. 方向 我们不仅需要知道图像中物体的位置，而且还要知道物体在
图像中的方向。确定物体的方向有一定难度。如果物体是细长的，
则可以把较长方向的轴定为物体的方向。如图6-2所示，通常，
图6-5 曲率半径
3. 圆形性
圆形性（Circularity）C是一个用区域R的所有边界点定义的 特的平均距离，δR是从区域重 心到边界点的距离均方差： 1 K 1 R || ( xk , yk ) ( x, y ) || K k 0 （6-15）
2 2 2 1 2 1 0 1 2 (a) 2 1 2 2
2 2 2 2 2
2 1 1 1 2
2 1 0 1 2 (b)
2 1 1 1 2
2 2 2 2 2
图6-4 两种距离表示法 （a）d4(P, Q)≤2; (b) d8(P, Q)≤2
d4、d8计算简便，且为正整数，因此常用来测距离，而欧几 里德距离很少被采用。
对较短的周长来包围它所占有面积内的像素， 周长就是围绕所
有这些像素的外边界的长度。通常， 测量这个长度时包含了许 多90°的转弯，从而夸大了周长值。区域的周长在区别具有简 单或复杂形状物体时特别有用。由于周长的表示方法不同， 因 而计算方法也不同，常用的简便方法如下：
(1) 当把图像中的像素看作单位面积小方块时，则图像中的区
圆形度的第四个指标利用了从边界上的点到物体内部某点
的平均距离d，即
1 d N
x
i 1
N
i
(6-17)
式中，xi是从具有N个点的物体中的第i个点到与其最近的边界点 的距离。相应的形状度量为
A N g N d
i 1
3
x
(6-18)
i
2.3 球状性
球状性(Sphericity) S既可以描述二维目标也可以描述三维目
将最小二阶矩轴（最小惯量轴在二维平面上的等效轴）定义为较
长物体的方向。也就是说，要找出一条直线，使下式定义的E值 最小：
E r f ( x, y )dx dy
2
(6-2)
式中，r是点（x , y）到直线的垂直距离。
图6-2 物体方向可由最小惯量轴定义
1.2 周长 区域的周长即区域的边界长度。一个形状简单的物体用相
1.3 面积
面积是物体的总尺寸的一个方便的度量。面积只与该物体的 边界有关， 而与其内部灰度级的变化无关。一个形状简单的物体 可用相对较短的周长来包围它所占有的面积。 1. 像素计数面积
最简单的(未校准的)面积计算方法是统计边界内部(也包括
边界上)的像素的数目。在这个定义下面积的计算非常简单， 求 出域边界内像素点的总和即可，计算公式如下：
(6-26)
利用归一化的中心矩，可以获得六个不变矩组合，这些组 合对于平移、旋转、尺度等变换都是不变的，它们是：
h1 20 02 h2 ( 20 02 ) 4
M 00
x 1
N
f ( x, y )
y 1
M
(6-22)
所有的一阶矩和高阶矩除以M00后，与物体的大小无关。
2. 质心坐标与中心矩
当j=1, k=0时，M10对二值图像来讲就是物体上所有点的x坐标
的总和，类似地，M01就是物体上所有点的y坐标的总和，所以
M 10 M 01 x ,y M 00 M 00
响。
重心
ri rc
图6-6 球状性定义示意图
2.4 不变矩
1. 矩的定义
对于二元有界函数f ( x , y )，它的( j + k )阶矩为
M jk
x y f ( x, y )dxdy j, k 0,1,2, （6-20）
j k
由于j和k可取所有的非负整数值，因此形成了一个矩的无限 集。而且，这个集合完全可以确定函数f (x，y)本身。换句话说， 集合{Mjk }对于函数f (x，y)是惟一的，也只有f(x，y)才具有这种
1 A ( xdy ydx) 2
1 Nb A [ xi ( yi 1 yi ) yi ( xi 1 xi )] 2 i 1 1 Nb [ xi yi 1 xi 1 yi ] 2 i 1
式中，Nb为边界点的数目。
(6-4)
其中，积分沿着该闭合曲线进行。将其离散化，式（6-4）变为
轨迹跟踪等任务。下面介绍常用的一些几何特征。
1.1 位置与方向
1. 位置
y
(xi , yj )
O
x
图6-1 物体位置由质心表示
图像中的物体通常并不是一个点，因此，用物体的面积的 中心点作为物体的位置。面积中心就是单位面积质量恒定的相
同形状图形的质心O（见图6-1）。因二值图像质量分布是均匀
的， 故质心和形心重合。若图像中的物体对应的像素位置坐标 为(xi, yj) (i=0, 1, …, n－1；j=0, 1, …, m－1)，则可用下式计算质心 位置坐标：
特定的矩集。
为了描述物体的形状，假设f (x，y)的目标物体取值为1，背
景为0，即函数只反映了物体的形状而忽略其内部的灰度级细节。 参数j＋k称为矩的阶。特别地，零阶矩是物体的面积， 即
M 00
f ( x, y )dxdy
(6-21)
对二维离散函数f (x，y)，零阶矩可表示为
d e ( P, Q ) ( x u ) 2 ( y v ) 2
（2） 市区距离：
(6-6)
d 4 ( P, Q) | x u | | y v |
(6-7)
（3）棋盘距离：
d8 ( P, Q) max(| x u |, | y v |)
(6-8)
显然，以P为起点的市区距离小于等于t（t=1, 2, …）的点形成以P
图像特征与理解
1 图像的几何特征
2 形状特征
3 纹理分析
4 其他特征或描述
1 图像的几何特征
图像的几何特征尽管比较直观和简单，但在许多图像
分析问题中起着十分重要的作用。提取图像的几何特征之
前，常对图像进行分割和二值化处理，即处理成只有0和1
两种值的黑白图像。在图像分析和计算机视觉系统中，二
值图像及其几何特征特别有用，可用来分类、检验、定位、
R C R
（6-14）
1 K 1 R [|| ( xk , yk ) ( x, y ) || R ]2 （6-16） K k 0 当区域R趋向圆形时，特征量C是单调递增且趋向无穷的，它不受 区域平移、旋转和尺度变化的影响，可以推广用于描述三维目标。
4. 面积与平均距离平方的比值
计算MER的一种方法是，将物体的边界以每次3°左右的 增量在90°范围内旋转。每旋转一次记录一次其坐标系方向上 的外接矩形边界点的最大和最小x、y值。旋转到某一个角度后， 外接矩形的面积达到最小。取面积最小的外接矩形的参数为主 轴意义下的长度和宽度，如图6-3(b)所示。此外，主轴可以通过
矩（Moments）的计算得到，也可以用求物体的最佳拟合直线
1 K ( p) r( p)
（6-12）
函数K(p)是周期为P的周期函数。可用下式计算单位边界长度 1 p 的平均能量： E | K ( p) 2 | dp （6-13） 0 P
在面积相同的条件下，圆具有最小边界能量E0＝(2π／P)2=(1／R)2， 其中R为圆的半径。曲率可以很容易地由链码算出，因而边界能 量也可方便算出。
标，其定义为
ri S rc
（6-19）
在二维情况下，ri代表区域内切圆(Inscribed circle)的半径，
而rc代表区域外接圆(Circumscribed circle)的半径，两个圆的圆心 都在区域的重心上，如图6-6所示。 当区域为圆时, 球状性的值S达到最大值1.0，而当区域为其 他形状时，则有S＜1.0。S不受区域平移、旋转和尺度变化的影
(6-5)
1.4 长轴和短轴 当物体的边界已知时，用其外接矩形的尺寸来刻画它的基本 形状是最简单的方法， 如图6-3(a)所示。求物体在坐标系方向上 的外接矩形， 只需计算物体边界点的最大和最小坐标值，就可
得到物体的水平和垂直跨度。但是，对任意朝向的物体， 水平
和垂直并非是我们感兴趣的方向。这时，就有必要确定物体的主 轴， 然后计算反映物体形状特征的主轴方向上的长度和与之垂 直方向上的宽度，这样的外接矩形是物体的最小外接矩形 （Minimum Enclosing Rectangle， MER）。
就是二值图像中一个物体的质心的坐标。
(6-23)
为了获得矩的不变特征，往往采用中心矩以及归一化的中心 矩。中心矩的定义为
N M
M ' jk